推广合作对象推荐方法、装置、设备和存储介质与流程

1.本技术涉及计算机领域，特别是涉及一种推广合作对象推荐方法、装置、计算机设备和存储介质。


背景技术：

2.广告，顾名思义，就是广而告之，向社会广大公众告知某件事物。品牌方一般可以通过广告的形式来向消费者或用户传播产品或服务信息。而目前的线上推广活动中，品牌方一般可以在线上领域选择合适的推广合作对象来帮助进行品牌或者产品的推广。而推广合作对象可以凭借其自身所拥有的粉丝数来帮忙进行产品推广。目前的品牌方选择推广合作对象主要参考推广合作对象的粉丝数，但市场上存在虚假流量的现象。
3.目前，针对该现象，一般可以通过提取粉丝对推广合作对象的直播观看历史记录，而后基于历史记录来识别粉丝对推广合作对象的喜爱程度，从而区分真假流量，来进行有效地推广合作对象推荐，但是这种方法只能区分出真假粉丝，而无法提高广告推广过程的转化率。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够有效提高推广产品转化率的推广合作对象推荐方法、装置、计算机设备和存储介质。
5.一种推广合作对象推荐方法，所述方法包括：
6.获取推广合作对象的基本数据及其历史推广数据，所述基本数据包括粉丝数目以及推广产品类别；
7.根据所述推广合作对象的粉丝数目以及所述历史推广数据，确定所述推广合作对象对应的推广得分；
8.根据所述推广得分以及所述推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；
9.当接收到推荐请求时，根据所述推荐请求中的推广产品类别对应的所述对象排名，推送对应的推广合作对象。
10.在其中一个实施例中，所述推广合作对象的历史推广数据包括所述推广合作对象所推广产品的历史转化率数据；
11.所述根据所述推广合作对象的粉丝数目以及所述历史推广数据，确定所述推广合作对象对应的推广得分包括：
12.根据所述推广合作对象所推广产品的历史转化率数据，生成多个所述推广产品对应的历史转化率排名；
13.获取所述历史转化率排名中预设名次内的推广产品，根据所述预设名次内的推广产品确定所述推广合作对象的历史推广得分；
14.根据所述推广合作对象的粉丝数目以及所述历史推广得分，确定所述推广合作对
象对应的推广得分。
15.在其中一个实施例中，所述获取所述历史转化率排名中预设名次内的推广产品，根据所述预设名次内的推广产品确定所述推广合作对象的历史推广得分包括：
16.获取所述历史转化率排名中预设名次内的推广产品对应的评论文本信息；
17.基于文本情感分析，提取所述评论文本信息对应的情感特征；
18.根据所述情感特征获取所述评论文本信息对应的情感分类结果；
19.根据所述情感分类结果，获取所述历史转化率排名中预设名次内的推广产品对应的历史推广得分；
20.根据所述推广产品对应的历史推广得分的平均值，确定所述推广合作对象的历史推广得分。
21.在其中一个实施例中，所述根据所述情感特征获取所述评论文本信息对应的情感分类结果包括：
22.将所述情感特征按照特征类型进行组合，获取情感特征组合数据；
23.将所述情感特征组合数据输入预设多通道卷积神经网络，通过所述预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。
24.在其中一个实施例中，所述根据所述情感分类结果获取所述推广产品对应的历史推广得分包括：
25.根据所述推广产品对应的所有情感分类结果，确定所述推广产品对应的评论情感极性值；
26.获取所述推广产品对应的浏览参数；
27.根据所述推广产品对应的浏览参数以及所述评论情感极性值，获取所述推广产品对应的历史推广得分。
28.在其中一个实施例中，所述当接收到推荐请求时，根据所述推荐请求中的推广产品类别对应的所述对象排名，推送对应的推广合作对象包括：
29.当接收到推荐请求时，获取所述推荐请求所请求的当前推广产品类别以及请求对象数；
30.确定所述当前推广产品类别对应的对象排名；
31.根据所述请求对象数以及所述对象排名，推送对应数量的推广合作对象。
32.一种推广合作对象推荐装置，所述装置包括：
33.数据接收单元，用于获取推广合作对象的基本数据及其历史推广数据，所述基本数据包括粉丝数目以及推广产品类别；
34.所述数据接收单元还用于接收推荐请求；
35.数据处理单元，用于根据所述推广合作对象的粉丝数目以及所述历史推广数据，确定所述推广合作对象对应的推广得分；根据所述推广得分以及所述推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；当接收到推荐请求时，根据所述推荐请求中的推广产品类别对应的所述对象排名，推送对应的推广合作对象。
36.在其中一个实施例中，所述历史推广数据包括所述推广合作对象推广产品的历史转化率数据；所述数据处理单元还用于：根据所述推广合作对象所推广产品的历史转化率数据，生成多个所述推广产品对应的历史转化率排名；获取所述历史转化率排名中预设名
次内的推广产品，根据所述预设名次内的推广产品确定所述推广合作对象的历史推广得分；根据所述推广合作对象的粉丝数目以及所述历史推广得分，确定所述推广合作对象对应的推广得分。
37.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38.获取推广合作对象的基本数据及其历史推广数据，所述基本数据包括粉丝数目以及推广产品类别；
39.根据所述推广合作对象的粉丝数目以及所述历史推广数据，确定所述推广合作对象对应的推广得分；
40.根据所述推广得分以及所述推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；
41.当接收到推荐请求时，根据所述推荐请求中的推广产品类别对应的所述对象排名，推送对应的推广合作对象。
42.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
43.获取推广合作对象的基本数据及其历史推广数据，所述基本数据包括粉丝数目以及推广产品类别；
44.根据所述推广合作对象的粉丝数目以及所述历史推广数据，确定所述推广合作对象对应的推广得分；
45.根据所述推广得分以及所述推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；
46.当接收到推荐请求时，根据所述推荐请求中的推广产品类别对应的所述对象排名，推送对应的推广合作对象。
47.上述推广合作对象推荐方法、装置、计算机设备和存储介质，方法通过获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。本技术在进行推广合作对象推荐时，先根据推广合作对象的基本数据及其历史推广数据来确定推广合作对象对应的推广得分，而后根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名，在接收到推荐请求，需要推荐推广合作对象时，则可直接根据推广产品类别以及对象排名，推送对应的推广合作对象，本技术通过历史推广数据以及推广产品类别来对推广合作对象进行排名，依照排名选择推广合作对象进行推荐，从而选择更有效的推广合作对象，来提高推广产品转化率。
附图说明
48.图1为一个实施例中推广合作对象推荐方法的应用环境图；
49.图2为一个实施例中推广合作对象推荐方法的流程示意图；
50.图3为一个实施例中图2中步骤203的子流程示意图；
51.图4为一个实施例中图3中步骤304的子流程示意图；
52.图5为一个实施例中图4中步骤407的子流程示意图；
53.图6为一个实施例中图2中步骤207的子流程示意图；
54.图7为一个实施例中推广合作对象推荐装置的结构框图；
55.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
57.本技术提供的推广合作对象推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102可以通过网络向服务器104发送推广合作对象的基本数据及其历史推广数据，同时，终端102还可以在需要取得推广合作对象的推荐时，向服务器104发送推荐请求。而后服务器104获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
58.在一个实施例中，如图2所示，提供了一种推广合作对象推荐方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
59.步骤201，获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别。
60.其中，推广合作对象是指可以帮助进行产品推广的对象，可以是团体也可以是个人。一般地，推广合作对象具体为可以在互联网上帮助进行产品推广的对象，如某些“带货”的网络主播、网红或者网络达人。这些推广合作对象可以以直播等形式向其粉丝进行产品推广。推广合作对象的基本数据包括但不限于推广合作对象的名字、粉丝数以及推广产品类别等。其中，推广产品类别具体是指推广合作对象为自己设定的类别，包括了当前推广合作对象可以推广哪些类别下的产品，包括但不限于食品、美妆、健身、数码等。而历史推广数据即推广合作对象以前推广过的产品信息，包括但不限于产品名、详细类别，价格，转化率信息等。
61.具体地，本技术主要用于在产品需要进行推广时，为需要推广的产品来推荐对应的推广合作对象。因此，可以在进行产品推广前，先根据推广合作对象的基本数据及其历史推广数据等信息，来确定各个预设的推广产品类别下，推广合作对象的排名，从而可以在某个产品需要进行推广合作对象推荐时，可以根据产品所属的推广产品类别，来为其推荐对应的推广合作对象。因此，在进行推广合作对象推荐时，可以先获取推广合作对象的基本数据及其历史推广数据，根据这些数据来对各个现有的推广合作对象进行后续分析。
62.步骤203，根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对
应的推广得分。
63.其中，推广合作对象对应的推广得分，具体是根据推广合作对象的粉丝数以及推广合作对象对各种类型的产品推广的推广成绩，来综合分析所得到的一个数据，具体用于展示当前的推广合作对象在产品推广领域所得的分数。
64.具体地，为了能够将推广合作对象的推广效果进行量化，可以在推广合作对象推荐前，基于推广合作对象的粉丝数目及其历史推广数据，来确定推广合作对象的推广得分。具体地，可以选取历史推广数据中转化率较高的几个产品，来作为确定推广合作对象推广得分的依据。而粉丝的数量显然可以影响最终的推广效果，因此，可以综合粉丝数目及其历史推广数据，来确定推广合作对象对应的推广得分。
65.步骤205，根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名。
66.具体地，推广合作对象的基本数据中包括了其对应的推广产品类别。因此，在得到所有推广合作对象对应的推广得分后，可以针对每个推广产品类别，来进行推广合作对象的推广得分排名，确定各个推广产品类别下推广合作对象的对象排名，分数越高的推广合作对象在对象排名中越靠前。
67.步骤207，当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。
68.其中，推荐请求可以由终端102发送，用于请求服务器104来进行对应推广产品类别的推广合作对象推荐。
69.具体地，在建立完各个推广产品类别下推广合作对象的对象排名后，当终端102方的工作需求为指定的产品推荐推广合作对象时，可以发送包括该指定的产品所属推广产品类别的推荐请求至服务器104。服务器104根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。
70.上述推广合作对象推荐方法，通过获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。本技术在进行推广合作对象推荐时，先根据推广合作对象的基本数据及其历史推广数据来确定推广合作对象对应的推广得分，而后根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名，在接收到推荐请求，需要推荐推广合作对象时，则可直接根据推广产品类别以及对象排名，推送对应的推广合作对象，本技术通过历史推广数据以及推广产品类别来对推广合作对象进行排名，依照排名选择推广合作对象进行推荐，从而选择更有效的推广合作对象，来提高推广产品的转化率。
71.在一个实施例中，推广合作对象的历史推广数据包括推广合作对象所推广产品的历史转化率数据。如图3所示，步骤203包括：
72.步骤302，根据推广合作对象所推广产品的历史转化率数据，生成多个推广产品对应的历史转化率排名。
73.步骤304，获取历史转化率排名中预设名次内的推广产品，根据预设名次内的推广
产品确定推广合作对象的历史推广得分。
74.步骤306，根据推广合作对象的粉丝数目以及历史推广得分，确定推广合作对象对应的推广得分。
75.其中，转化率指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。计算公式为：转化率＝(转化次数/点击量)
×
100％。例如：10名用户看到某个搜索推广的结果，其中5名用户点击了某一推广结果并被跳转到目标url上，之后，其中2名用户有了后续转化的行为。那么，这条推广结果的转化率就是(2/5)
×
100％＝40％。在其中一个实施例中，预设名次具体可以推广合作对象所推广产品的数目来确定。而此处的推广合作对象的历史推广得分，则用于体现推广合作对象在推广预设名次内的推广产品时的推广成绩体现。通过历史推广得分综合推广合作对象的粉丝数目，可以得出最终的推广合作对象对应的推广得分。
76.具体地，在确定推广合作对象对应的推广得分时，可以先参考历史推广数据中的转化率数据，针对每个推广合作对象，生成其推广产品对应的历史转化率排名，而后选取转化率较高的推广产品，依据这些推广产品的推广效果来确定推广合作对象的历史推广得分。具体地，可以计算出转化率较高的推广产品中，每个推广产品对应的历史推广得分，而后通过加权平均得到推广合作对象的最终历史推广得分。而综合历史推广得分history_score(u)与推广合作对象的粉丝数fans，得到推广合作对象对应的推广得分score(u)。
[0077][0078]
其中，wh为历史推广得分的权重，wf为粉丝数的权重，一般认为历史推广得分更具参考性，故wh＞wf。本实施例中，通过获取历史转化率排名中预设名次内的推广产品，来计算推广合作对象的历史推广得分，可以有效保证历史推广得分计算的准确率，从而保证推广合作对象推荐的准确率。
[0079]
在一个实施例中，如图4所示，步骤304包括：
[0080]
步骤401，获取历史转化率排名中预设名次内的推广产品对应的评论文本信息。
[0081]
步骤403，基于文本情感分析，提取评论文本信息对应的情感特征。
[0082]
步骤405，根据情感特征获取评论文本信息对应的情感分类结果。
[0083]
步骤407，根据情感分类结果，获取历史转化率排名中预设名次内的推广产品对应的历史推广得分。
[0084]
步骤409，根据推广产品对应的历史推广得分的平均值，确定推广合作对象的历史推广得分。
[0085]
其中，文本情感分析又称意见挖掘、倾向性分析等。简单而言,是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。互联网(如博客和论坛以及社会服务网络如大众点评)上产生了大量的用户参与的、对于诸如人物、事件、产品等有价值的评论信息。这些评论信息表达了人们的各种情感色彩和情感倾向性,如喜、怒、哀、乐和批评、赞扬等。基于此，潜在的用户就可以通过浏览这些主观色彩的评论来了解大众舆论对于某一事件或产品的看法。
[0086]
具体地，本技术中可以结合推广产品对应的评论文本信息来进行历史推广得分的计算，综合用户在推广产品的评论，对推广的效果可以进行有效地识别。在历史推广得分计算时，通过文本情感分析，提取评论文本信息对应的情感特征，并进行相应的情感分类，而
后基于情感分类结果来计算推广合作对象对应各推广产品的历史推广得分。最终根据历史转化率排名中预设名次内的推广产品对应的历史推广得分的平均值，确定推广合作对象的历史推广得分本实施例中，通过文本情感分析，来提取评论文本信息对应的情感特征，从而进行推广效果地识别，可以有效保证推广合作对象的历史推广得分计算的准确率，保证推荐效果。
[0087]
在其中一个实施例中，步骤405包括：将情感特征按照特征类型进行组合，获取情感特征组合数据；将情感特征组合数据输入预设多通道卷积神经网络，通过预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。
[0088]
其中，情感特征具体可以包括词特征、词性特征、情感符号特征和情感标签特征这四种。
[0089]
词特征：以评论文本句子的词为单位，每个词映射成分布式词向量，在词向量词典中有两列，一列是词语，一列是对应的分布式词向量，将每个句子序列中每个词语对应的词向量依次拼接起来，得到整个句子序列的词向量矩阵。
[0090]
词性特征：为了获取词语的情感的分，采用hownet情感词典作为基准词典。此外针对不同平台，采集样本数据集，对常用的词语、情感表情符及情感符号进行人工标注，合并不同平台获得的标注情感词与hownet情感词典，最终得到目标情感词典。不同的词有不同的情感倾向程度，量化词典中各个词的情感倾向程度的计算方法为：
[0091]
freq(ti)＝|p*pos(ti)
‑
n*neg(ti)|
[0092][0093]
其中，pos(ti)表征第i个情感词ti在积极的文档中出现频率，neg(ti)表征第i个情感词ti在消极的文档中出现频率。||为取绝对值，[]表示取整。freq(ti)表征第i个情感词ti在数据集的文档频数。sen(ti)表示ti的情感得分，p表示积极文档频数的重要程度权重，n表示消极文档频数的重要程度权重。s用于控制情感词得分阈值。
[0094]
情感符号特征：对于每一个句子，如果存在表情符号，将表情符号转化为分布式向量，并在hownet中找到其对应的情感极性：积极或消极。如果属于积极情感符号，将其词性重新标注为pos，如果属于消极情感符号，将其词性重新标注为neg。若在hownet中未找到对应的情感极性，则无需重新标注。
[0095][0096]
其中，为情感符号e1的向量，e为句子中的情感符号个数。表示结合操作，常用方式包括相乘、相加或拼接。
[0097]
情感标签特征：为了充分利用标签表达的情感信息，将积极标签、消极标签和无情感标签分别转化为对应的分布式向量。向量化的标签用l表示，l＝{l1，l2，
……
lm}，其中m是标签的类别数，li为标签yi的向量。
[0098]
预设多通道卷积神经网络具体可以为多通道卷积神经网络mf
‑
mcnn。
[0099]
具体地，在进行情感分类的过程中，可以使用多通道卷积神经网络mf
‑
mcnn的输入层使用三个通道来接收句子的不同特征组合：
①
词特征+情感符号特征+词性特征；
②
词特征+情感符号特征；
③
情感标签特征。并将不同特征映射为分布式向量的形式，不同的通道
使得模型获取更加丰富的特征信息。三个通道的特征(x1，x2,yj)经过卷积和池化后进行拼接合并，组成最终的向量输入到全连接层。而后通过预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。采用sigmoid函数输出待分类句子的情感分类结果，非线性函数变换后，文本和每一个情感标签产生一个匹配分数，在0
‑
1之间，值越大，表明文本的情感类别越接近该情感标签。训练过程中，模型通过最小交叉熵损失函数loss来调整模型参数，提升分类性能。
[0100][0101][0102]
其中，σ表示sigmoid函数，y表示句子序列对应的真实情感标签，使用0
‑
1向量表示，yj表示第j个标签提取的最终特征表示。本实施例中，通过预设卷积神经网络来将情感特征按照特征类型进行组合，从而进行评论文本信息对应的情感分类。可以有效保证情感分类处理的准确性。
[0103]
在其中一个实施例中，如图5所示，步骤407包括：
[0104]
步骤502，根据推广产品对应的所有情感分类结果，确定推广产品对应的评论情感极性值。
[0105]
步骤504，获取推广产品对应的浏览参数。
[0106]
步骤506，根据推广产品对应的浏览参数以及评论情感极性值，获取推广产品对应的历史推广得分。
[0107]
其中，浏览参数具体包括浏览量、点击量以及跳转购买量等数据。具体地，可以通过情感分析，来为对应的评论文本添加积极标签、消极标签和无情感标签。而后在情感分类过程中，将文本信息分为不同类型非线性函数变换后，文本和每一个情感标签产生一个匹配分数，在0
‑
1之间，值越大，表明文本的情感类别越接近该情感标签。最终确定评论文本信息对应的情感分类结果为消极还是积极。在分类完成后，可以以不对称二进制来统计推广合作对象u历史推广的产品gi的评论的情感极性数量，用1表示积极评论，0表示消极评论，并归一化，最终推广合作对象u历史推广的产品gi的评论情感极性senscore(u
gi
)值越靠近1，评论越积极。而后在计算历史推广得分时，则可以将商品的评论情感极性senscore，点击量d，浏览量v，跳转购买量b结合计算出达人u推广该商品gi的历史推广得分(百分制)。
[0108][0109]
其中，ws、wd、wv以及wb分别为评论情感极性、点击量、浏览量以及跳转购买量所对应的权重。该权重可以根据实际推广效果来进行调整。本实施例中，通过综合推广产品对应的浏览参数
[0110]
在其中一个实施例中，如图6所示，步骤207包括：
[0111]
步骤601，当接收到推荐请求时，获取推荐请求所请求的当前推广产品类别以及请求对象数。
[0112]
步骤603，确定当前推广产品类别对应的对象排名。
[0113]
步骤605，根据请求对象数以及对象排名，推送对应数量的推广合作对象。
[0114]
具体地，推荐请求包括所请求的当前推广产品类别，从而确定需要推荐的产品所对应的对象排名。推荐请求中还可以指定所需推广合作对象的数量。而后服务器104可以根据对象排名，选取数量对应排名范围内的推广合作对象推送至终端102。本实施例中，服务器104根据当前推广产品类别以及请求对象数可以有效确定终端102所需要的推荐信息，从而实现对应数量的推广合作对象的推送，保证推送范围的有效性。
[0115]
应该理解的是，虽然图2
‑
6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2
‑
6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0116]
在一个实施例中，如图7所示，提供了一种推广合作对象推荐装置，包括：
[0117]
数据接收单元702，用于获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；
[0118]
数据接收单元702还用于接收推荐请求；
[0119]
数据处理单元704，用于根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。
[0120]
在其中一个实施例中，历史推广数据包括推广合作对象推广产品的历史转化率数据；数据处理单元704还用于：根据推广合作对象所推广产品的历史转化率数据，生成多个推广产品对应的历史转化率排名；获取历史转化率排名中预设名次内的推广产品，根据预设名次内的推广产品确定推广合作对象的历史推广得分；根据推广合作对象的粉丝数目以及历史推广得分，确定推广合作对象对应的推广得分。
[0121]
在其中一个实施例中，获取历史转化率排名中预设名次内的推广产品，数据处理单元704还用于：获取历史转化率排名中预设名次内的推广产品对应的评论文本信息；基于文本情感分析，提取评论文本信息对应的情感特征；根据情感特征获取评论文本信息对应的情感分类结果；根据情感分类结果，获取历史转化率排名中预设名次内的推广产品对应的历史推广得分；根据推广产品对应的历史推广得分的平均值，确定推广合作对象的历史推广得分。
[0122]
在其中一个实施例中，数据处理单元704还用于：将情感特征按照特征类型进行组合，获取情感特征组合数据；将情感特征组合数据输入预设多通道卷积神经网络，通过预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。
[0123]
在其中一个实施例中，数据处理单元704还用于：根据推广产品对应的所有情感分类结果，确定推广产品对应的评论情感极性值；获取推广产品对应的浏览参数；根据推广产品对应的浏览参数以及评论情感极性值，获取推广产品对应的历史推广得分。
[0124]
在其中一个实施例中，数据处理单元704还用于：当接收到推荐请求时，获取推荐请求所请求的当前推广产品类别以及请求对象数；确定当前推广产品类别对应的对象排名；根据请求对象数以及对象排名，推送对应数量的推广合作对象。
[0125]
关于推广合作对象推荐装置的具体限定可以参见上文中对于推广合作对象推荐方法的限定，在此不再赘述。上述推广合作对象推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0126]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储推广合作对象推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种推广合作对象推荐方法。
[0127]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0128]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0129]
获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；
[0130]
根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；
[0131]
根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；
[0132]
当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。
[0133]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据推广合作对象所推广产品的历史转化率数据，生成多个推广产品对应的历史转化率排名；获取历史转化率排名中预设名次内的推广产品，根据预设名次内的推广产品确定推广合作对象的历史推广得分；根据推广合作对象的粉丝数目以及历史推广得分，确定推广合作对象对应的推广得分。
[0134]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史转化率排名中预设名次内的推广产品对应的评论文本信息；基于文本情感分析，提取评论文本信息对应的情感特征；根据情感特征获取评论文本信息对应的情感分类结果；根据情感分类结果，获取历史转化率排名中预设名次内的推广产品对应的历史推广得分；根据推广产品对应的历史推广得分的平均值，确定推广合作对象的历史推广得分。
[0135]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将情感特征按照特征类型进行组合，获取情感特征组合数据；将情感特征组合数据输入预设多通道卷积神经网络，通过预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。
[0136]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据推广产品对应的所有情感分类结果，确定推广产品对应的评论情感极性值；获取推广产品对应的浏览参数；根据推广产品对应的浏览参数以及评论情感极性值，获取推广产品对应的历史推广得分。
[0137]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当接收到推荐请求时，获取推荐请求所请求的当前推广产品类别以及请求对象数；确定当前推广产品类别对应的对象排名；根据请求对象数以及对象排名，推送对应数量的推广合作对象。
[0138]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0139]
获取推广合作对象的基本数据及其历史推广数据，基本数据包括粉丝数目以及推广产品类别；
[0140]
根据推广合作对象的粉丝数目及其历史推广数据，确定推广合作对象对应的推广得分；
[0141]
根据推广得分以及推广合作对象的推广产品类别，确定各个推广产品类别下推广合作对象的对象排名；
[0142]
当接收到推荐请求时，根据推荐请求中的推广产品类别对应的对象排名，推送对应的推广合作对象。
[0143]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据推广合作对象所推广产品的历史转化率数据，生成多个推广产品对应的历史转化率排名；获取历史转化率排名中预设名次内的推广产品，根据预设名次内的推广产品确定推广合作对象的历史推广得分；根据推广合作对象的粉丝数目以及历史推广得分，确定推广合作对象对应的推广得分。
[0144]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史转化率排名中预设名次内的推广产品对应的评论文本信息；基于文本情感分析，提取评论文本信息对应的情感特征；根据情感特征获取评论文本信息对应的情感分类结果；根据情感分类结果，获取历史转化率排名中预设名次内的推广产品对应的历史推广得分；根据推广产品对应的历史推广得分的平均值，确定推广合作对象的历史推广得分。
[0145]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将情感特征按照特征类型进行组合，获取情感特征组合数据；将情感特征组合数据输入预设多通道卷积神经网络，通过预设多通道卷积神经网络的sigmoid函数输出评论文本信息对应的情感分类结果。
[0146]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据推广产品对应的所有情感分类结果，确定推广产品对应的评论情感极性值；获取推广产品对应的浏览参数；根据推广产品对应的浏览参数以及评论情感极性值，获取推广产品对应的历史推广得分。
[0147]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当接收到推荐请求时，获取推荐请求所请求的当前推广产品类别以及请求对象数；确定当前推广产品类别对应的对象排名；根据请求对象数以及对象排名，推送对应数量的推广合作对象。
[0148]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。
[0149]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0150]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。